Korelasyon testi nasıl seçilir? Pearson, Spearman ve Kendall rehberi
Güncelleme tarihi: 18 saat önce
Yaş arttıkça yaşam kalitesi azalıyor mu? Ders çalışma süresi ile sınav başarısı arasında ilişki var mı? Kaygı düzeyi yükseldikçe akademik başarı düşüyor mu? İki ölçekten elde edilen puanlar birbiriyle ilişkili mi?
Araştırmalarda bu tür sorular genellikle korelasyon analizi ile incelenir. Ancak analiz aşamasına gelindiğinde araştırmacıların karşısına yeni bir soru çıkar:
Pearson mı, Spearman mı, Kendall mı kullanmalıyım?
Bu soruya yalnızca “veri normal dağılıyorsa Pearson, dağılmıyorsa Spearman” şeklinde cevap vermek doğru değildir. Korelasyon yönteminin seçiminde değişkenlerin ölçme düzeyi, ilişkinin biçimi, uç değerler, örneklem özellikleri ve araştırmanın amacı birlikte değerlendirilmelidir.
Bu yazıda Pearson, Spearman ve Kendall korelasyonlarının ne zaman kullanılabileceğini, aralarındaki farkları, korelasyon katsayısının nasıl yorumlandığını ve korelasyon ile regresyon arasındaki temel ayrımları ele alacağız.
Korelasyon analizi nedir?
Korelasyon analizi, iki değişken arasındaki ilişkinin yönünü ve derecesini değerlendirmek amacıyla kullanılan istatistiksel yöntemlerin genel adıdır.
En sık kullanılan korelasyon katsayıları:
Pearson korelasyon katsayısı (r)
Spearman sıra korelasyonu (ρ veya rs)
Kendall Tau (τ)
olarak sıralanabilir.
Bu katsayıların tamamı değişkenler arasındaki birlikteliği değerlendirse de kullandıkları bilgi ve dayandıkları özellikler aynı değildir.
Bu nedenle her veri setinde otomatik olarak Pearson korelasyonu kullanmak doğru olmadığı gibi, normal dağılımdan küçük bir sapma görüldüğünde doğrudan Spearman korelasyonuna geçmek de yeterli bir yöntemsel yaklaşım değildir.
Korelasyon katsayısı neyi gösterir?
Korelasyon katsayısı genellikle −1 ile +1 arasında değer alır.
Pozitif değer, iki değişkenin aynı yönde değişme eğiliminde olduğunu gösterir.
Örneğin:
r = 0,65
elde edilmişse, X arttıkça Y'nin de artma eğiliminde olduğu pozitif bir ilişki söz konusudur.
Negatif değer ise değişkenlerin ters yönde hareket ettiğini gösterir.
Örneğin:
r = −0,58
sonucu X yükseldikçe Y'nin düşme eğiliminde olduğunu ifade eder.
Katsayının sıfıra yakın olması ise incelenen korelasyon türüne göre zayıf veya belirgin olmayan bir ilişkiye işaret edebilir.
Ancak önemli bir nokta vardır:
r = 0 olması, değişkenler arasında hiçbir ilişki olmadığı anlamına gelmeyebilir.
Özellikle doğrusal olmayan bir ilişki varsa Pearson korelasyonu düşük çıkmasına rağmen değişkenler arasında güçlü bir sistematik ilişki bulunabilir. Bu nedenle korelasyon analizinden önce dağılım grafiğinin incelenmesi önemlidir. Pearson korelasyonu özellikle doğrusal ilişkiyi özetler ve uç değerlerden etkilenebilir.
Pearson korelasyon nedir?
Pearson korelasyon katsayısı, iki nicel değişken arasındaki doğrusal ilişkinin yönünü ve derecesini değerlendirmek için en yaygın kullanılan korelasyon ölçülerinden biridir.
Örneğin:
boy ile vücut ağırlığı,
çalışma süresi ile sınav puanı,
yaş ile sistolik kan basıncı,
bir ölçeğin toplam puanı ile başka bir sürekli ölçek puanı
arasındaki doğrusal ilişki Pearson korelasyonuyla incelenebilir.
Pearson korelasyonunun en önemli özelliklerinden biri doğrusal ilişkiye duyarlı olmasıdır.
Bu nedenle Pearson kullanmadan önce yalnızca normallik testi sonucuna değil, değişkenler arasındaki ilişkinin görsel yapısına da bakılmalıdır.
Pearson korelasyon ne zaman kullanılır?
Pearson korelasyonu genel olarak iki nicel değişken arasındaki doğrusal ilişkinin değerlendirilmek istendiği durumlarda düşünülür.
Değerlendirilmesi gereken başlıca noktalar şunlardır:
Değişkenler uygun nicel yapıda olmalıdır.
Gözlemler bağımsız olmalıdır.
İlişkinin biçimi incelenmelidir.
Belirgin uç değerler kontrol edilmelidir.
Çıkarımsal değerlendirme yapılacaksa dağılımsal varsayımlar da dikkate alınmalıdır.
Pearson korelasyonunu yalnızca:
“İki değişken de normal dağılıyor mu?”
sorusuna indirgemek yöntemsel açıdan yetersizdir.
Literatürde Pearson katsayısının normal dağılımdan belirli sapmalara karşı oldukça dayanıklı olabildiği, ancak özellikle doğrusal olmayan yapı ve uç değerlerin ciddi sorun oluşturabileceği vurgulanmaktadır.
Pearson korelasyon için normal dağılım şart mı?
Bu, korelasyon analizlerinde en sık yanlış anlaşılan konulardan biridir.
Yaygın anlatım şöyledir:
Normal dağılım varsa Pearson, yoksa Spearman.
Bu ifade öğretim açısından pratik olsa da gerçek analiz kararını fazla basitleştirir.
Pearson korelasyon katsayısının hesaplanabilmesi için her iki değişkenin tek tek kusursuz biçimde normal dağılması zorunlu değildir. Özellikle korelasyon katsayısına ilişkin güven aralığı ve anlamlılık testi gibi çıkarımsal işlemlerde iki değişkenin ortak dağılım yapısı ve örneklem özellikleri önem kazanır.
Bu nedenle yalnızca Shapiro-Wilk testinde p < 0,05 çıktığı için Pearson'dan vazgeçmek doğru bir yaklaşım değildir.
Bunun yerine:
dağılım grafikleri,
saçılım grafiği,
uç değerler,
örneklem büyüklüğü,
ilişkinin doğrusallığı
birlikte değerlendirilmelidir. Pearson korelasyonunun temel kullanımında doğrusal ilişkinin incelenmesi özellikle önem taşır.
Spearman korelasyon nedir?
Spearman sıra korelasyonu, gözlemlerin doğrudan değerlerinden çok sıraları üzerinden ilişkiyi değerlendiren bir korelasyon yöntemidir.
Bu nedenle ordinal verilerde ve Pearson korelasyonunun uygun olmadığı bazı veri yapılarında sıklıkla kullanılır.
Örneğin:
hastalık evresi ile semptom şiddeti,
eğitim düzeyi ile memnuniyet sırası,
ordinal değerlendirme puanları
arasındaki ilişki Spearman korelasyonuyla değerlendirilebilir.
Spearman korelasyonu yalnızca doğrusal ilişkileri değil, genel olarak monotonik ilişkileri yakalamada kullanılabilir.
Monotonik ilişki, bir değişken arttığında diğer değişkenin genel olarak aynı yönde artması veya sürekli ters yönde azalması anlamına gelir; bu ilişkinin mutlaka düz bir çizgi biçiminde olması gerekmez.
Spearman korelasyon ne zaman kullanılır?
Spearman korelasyonu özellikle:
En az bir değişken ordinal olduğunda,
Sıralamaya dayalı veriler bulunduğunda,
Belirgin uç değerlerin Pearson korelasyonunu ciddi biçimde etkileyebileceği durumlarda,
İlişki doğrusal olmayıp monotonik yapı gösterdiğinde
değerlendirilebilir.
Ancak yine:
“Normal değil = Spearman”
şeklinde otomatik bir karar verilmemelidir.
Verinin neden Pearson için uygun olmadığı belirlenmeli ve seçilen korelasyon yöntemi araştırmanın veri yapısına göre gerekçelendirilmelidir.
Monotonik ilişki nedir?
Spearman korelasyonunun anlaşılması için monotonik ilişki kavramı önemlidir.
Örneğin X arttıkça Y'nin de sürekli artma eğiliminde olduğunu düşünelim.
Artış:
X = 1 → Y = 2
X = 2 → Y = 5
X = 3 → Y = 10
X = 4 → Y = 18
şeklinde olabilir.
Buradaki ilişki düz bir çizgi oluşturmayabilir fakat X büyüdükçe Y sürekli artmaktadır.
Bu ilişki pozitif monotonik ilişki olarak düşünülebilir.
Spearman ve Kendall gibi sıra temelli yöntemler bu tür yapıları değerlendirmede yararlı olabilir.
Pearson ile Spearman arasındaki fark nedir?
Pearson ve Spearman arasındaki temel fark yalnızca biri parametrik, diğerinin parametrik olmayan yöntem olarak sınıflandırılması değildir.
Pearson korelasyonu değişkenlerin gerçek değerleri üzerinden ve özellikle doğrusal birlikteliği değerlendirir.
Spearman ise gözlemleri sıralara dönüştürerek sıra ilişkisini değerlendirir.
Kısaca:
Özellik | Pearson | Spearman |
Temel bilgi | Gerçek değerler | Sıralar |
Temel ilişki | Doğrusal | Monotonik |
Ordinal veri | Genellikle uygun değil | Uygun olabilir |
Uç değerlere duyarlılık | Daha yüksek | Genellikle daha düşük |
Sembol | r | ρ veya rs |
Ancak gerçek uygulamalarda seçim yalnızca bu tabloya bakılarak yapılmamalıdır. Pearson, Spearman ve Kendall'ın performansı veri yapısına göre değişebilir ve bu yöntemleri mekanik kurallarla birbirinden ayırmak her zaman doğru değildir.
Kendall Tau nedir?
Kendall Tau, iki değişken arasındaki sıralı uyumu değerlendiren bir başka rank korelasyon katsayısıdır.
Temel mantığı gözlem çiftlerinin birbirleriyle uyumlu ve uyumsuz sıralanma durumlarının değerlendirilmesine dayanır.
Spearman ile benzer amaçlarda kullanılabilmekle birlikte hesaplama mantığı farklıdır.
Kendall Tau özellikle ordinal veriler, küçük örneklemler ve çok sayıda eşit sıra değerinin bulunduğu bazı durumlarda değerlendirilebilir.
Kendall Tau ile Spearman arasındaki fark nedir?
Her ikisi de sıra temelli korelasyon yöntemidir.
Spearman, değişkenleri sıralara dönüştürür ve sıralar arasındaki ilişkiyi değerlendirir.
Kendall, gözlem çiftlerinin sıralama bakımından uyumlu veya uyumsuz olup olmadığını temel alır.
Aynı veri setinde bu iki yöntem farklı katsayı değerleri verebilir. Bu nedenle katsayıların büyüklükleri doğrudan birbirine eşitmiş gibi karşılaştırılmamalıdır.
Kendall Tau için özellikle Tau-b, eşit sıraların bulunduğu ordinal verilerde sık kullanılan biçimlerden biridir.
Pearson mı Spearman mı? Hızlı karar tablosu
Pratik bir başlangıç için aşağıdaki yapı kullanılabilir:
Veri veya ilişki yapısı | Düşünülebilecek yöntem |
İki uygun nicel değişken ve yaklaşık doğrusal ilişki | Pearson |
En az bir ordinal değişken | Spearman veya Kendall |
Monotonik ancak doğrusal olmayan ilişki | Spearman veya Kendall |
Belirgin uç değerlerden ciddi etkilenen nicel veri | Spearman değerlendirilebilir |
Çok sayıda eşit sıra bulunan ordinal veri | Kendall Tau-b değerlendirilebilir |
Bu tablo yalnızca başlangıç rehberidir.
“Pearson mı Spearman mı?” sorusunun cevabı tek başına normallik testinden çıkmaz.
Korelasyon analizinden önce grafik çizilmeli mi?
Evet. Özellikle nicel değişkenlerde korelasyon katsayısından önce saçılım grafiği (scatterplot) incelenmesi çok yararlıdır.
Grafik sayesinde:
ilişkinin doğrusal olup olmadığı,
eğrisel bir yapı bulunup bulunmadığı,
uç değerlerin varlığı,
farklı alt grupların bulunup bulunmadığı
görülebilir.
Sadece korelasyon katsayısına bakmak önemli bilgilerin kaybolmasına neden olabilir.
Örneğin tek bir aşırı uç gözlem, Pearson korelasyon katsayısını önemli ölçüde yükseltebilir veya düşürebilir. Bu nedenle ham verinin görsel olarak incelenmesi özellikle önemlidir.
Korelasyon katsayısı nasıl yorumlanır?
Korelasyon katsayısını yorumlarken iki temel özellik değerlendirilir:
Yön
ve
büyüklük.
Örneğin:
r = 0,72
pozitif yönde güçlü sayılabilecek bir ilişkiye,
r = −0,41
negatif yönde orta düzeyde değerlendirilebilecek bir ilişkiye,
r = 0,12
ise zayıf bir doğrusal ilişkiye işaret edebilir.
Ancak 0,10 = zayıf, 0,30 = orta, 0,50 = güçlü gibi sınırlar her araştırma alanında değişmez kurallar değildir.
Bir katsayının bilimsel öneminin değerlendirilmesinde çalışma alanı, ölçümlerin güvenirliği, örneklem ve araştırma bağlamı dikkate alınmalıdır.
Korelasyon katsayısının işareti ne anlama gelir?
Pozitif katsayı:
X arttıkça Y'nin de artma eğiliminde olduğunu
gösterir.
Negatif katsayı:
X arttıkça Y'nin azalma eğiliminde olduğunu
gösterir.
Örneğin:
r = −0,64
sonucu güçlü sayılabilecek negatif yönlü bir ilişkiyi ifade edebilir.
Buradaki eksi işareti ilişkinin “kötü” veya “zayıf” olduğu anlamına gelmez.
İşaret yalnızca ilişkinin yönünü gösterir.
p değeri nasıl yorumlanır?
Korelasyon analizinde p değeri genellikle sıfır hipotezini:
“Evren korelasyonu sıfırdır.”
şeklinde değerlendirir.
Örneğin:
r = 0,43, p = 0,002
sonucunda iki değişken arasında istatistiksel olarak anlamlı pozitif ilişki bulunduğu söylenebilir.
Ancak yalnızca p değerine bakmak yeterli değildir.
Çok büyük örneklemlerde oldukça küçük korelasyon katsayıları bile istatistiksel olarak anlamlı olabilir.
Bu nedenle hem:
korelasyon katsayısının büyüklüğü
hem de
p değeri ve mümkünse güven aralığı
birlikte değerlendirilmelidir.
p > 0,05 ise değişkenler arasında ilişki yok mudur?
Hayır.
p > 0,05 sonucu:
“Bu değişkenler arasında kesinlikle ilişki yoktur.”
anlamına gelmez.
Mevcut örneklem ve analiz altında sıfır korelasyondan farklı bir ilişki için yeterli istatistiksel kanıt elde edilmediği anlamına gelir.
Örneklem büyüklüğü küçük olabilir, ölçüm hatası fazla olabilir veya ilişki kullanılan korelasyon katsayısının yakalayamadığı doğrusal olmayan bir yapıda olabilir.
Korelasyon nedensellik gösterir mi?
Hayır.
Bu konu özellikle tez ve makale yazımında önemlidir.
İki değişken arasında:
r = 0,80
gibi çok güçlü ve anlamlı bir korelasyon bulunması, X'in Y'ye neden olduğunu göstermez.
Örneğin üçüncü bir değişken hem X'i hem Y'yi etkiliyor olabilir. Ters nedensellik bulunabilir veya ilişki başka bir ortak mekanizmadan kaynaklanabilir.
Bu nedenle korelasyon sonucunda:
“X, Y'yi artırmaktadır.”
yerine araştırma tasarımı nedensel yorumlamaya izin vermiyorsa:
“X ile Y arasında pozitif yönde ilişki bulunmaktadır.”
ifadesi kullanılmalıdır.
Korelasyondan nedensellik çıkarılması literatürde en sık vurgulanan yorum hatalarından biridir.
Korelasyon ile regresyon arasındaki fark nedir?
Korelasyon ve regresyon birbirleriyle ilişkili olmakla birlikte aynı amaçla kullanılmaz.
Korelasyon, iki değişken arasındaki ilişkinin yönünü ve derecesini özetler.
Regresyon ise bir sonuç değişkenini bir veya daha fazla açıklayıcı değişken aracılığıyla modellemeye olanak sağlar.
Örneğin:
Çalışma süresi ile başarı arasında ilişki var mı?
sorusu korelasyonla incelenebilir.
Buna karşılık:
Çalışma süresi, yaş ve motivasyon puanı başarı puanını ne ölçüde açıklıyor?
sorusu çoklu doğrusal regresyon modeliyle ele alınabilir.
Regresyonun önemli avantajlarından biri birden fazla açıklayıcı değişkeni aynı modelde değerlendirebilmesidir.
Ancak regresyon analizi yapılmış olması nedenselliği otomatik olarak kanıtlamaz.
Regresyonun varsayımları ve yorumlanması hakkında ayrıntılı bilgi için regresyon analizi rehberimizi inceleyebilirsiniz.
Basit doğrusal regresyon ne zaman kullanılır?
Bir sürekli sonuç değişkeni ile bir açıklayıcı değişken arasındaki ilişkinin doğrusal modelle incelenmek istendiği durumlarda basit doğrusal regresyon kullanılabilir.
Model genel olarak:
Y = β₀ + β₁X + ε
biçiminde ifade edilir.
Burada amaç yalnızca ilişkinin bulunup bulunmadığını görmek değil, X'teki değişimin Y ile nasıl ilişkili olduğunu bir regresyon katsayısı aracılığıyla modellemektir.
Çoklu doğrusal regresyon ne zaman kullanılır?
Bir sürekli sonuç değişkeninin birden fazla açıklayıcı değişkenle birlikte modellenmesi gerektiğinde çoklu doğrusal regresyon kullanılabilir.
Örneğin:
Yaş, uyku süresi, stres ve fiziksel aktivite yaşam kalitesi puanını ne ölçüde açıklıyor?
sorusu çoklu regresyonla ele alınabilir.
Ancak modele çok sayıda değişken eklemek her zaman daha iyi bir analiz anlamına gelmez. Örneklem büyüklüğü, çoklu bağlantı, doğrusal ilişki, artıkların özellikleri ve modelin kuramsal yapısı değerlendirilmelidir.
Bağımlı değişken kategorikse hangi analiz kullanılır?
Bağımlı değişken iki kategoriden oluşuyorsa korelasyon yerine çoğu araştırma sorusunda binary lojistik regresyon daha uygun bir model olabilir.
Örneğin sonuç:
Hastalık var / yok
veya
Tedavi başarılı / başarısız
şeklindeyse sürekli sonuç için kullanılan doğrusal regresyon uygun değildir.
Bu durumda lojistik regresyon ile açıklayıcı değişkenlerin sonucun olasılığıyla ilişkisi modellenebilir.
İki kategorik değişken arasındaki ilişki nasıl incelenir?
Her iki değişken de nominal kategorik yapıdaysa Pearson veya Spearman korelasyonu çoğu durumda uygun yöntem değildir.
Örneğin:
Cinsiyet ile sigara kullanma durumu arasında ilişki var mı?
sorusu için ki-kare bağımsızlık testi gibi kategorik veri yöntemleri düşünülebilir.
Dolayısıyla “ilişki sorusu var = korelasyon yapılır” yaklaşımı doğru değildir.
Önce değişkenlerin türü belirlenmelidir.
Ölçme düzeyleri hakkında ayrıntılı bilgi için nominal, ordinal, aralık ve oran ölçme düzeyleri yazımızı inceleyebilirsiniz.
Bir değişkenin etkisini kontrol ederek korelasyon bakılabilir mi?
Evet.
İki değişken arasındaki ilişki incelenirken üçüncü bir değişkenin istatistiksel etkisi kontrol edilmek isteniyorsa kısmi korelasyon kullanılabilir.
Örneğin:
Fiziksel aktivite ile yaşam kalitesi arasındaki ilişki yaş kontrol edildiğinde devam ediyor mu?
sorusu kısmi korelasyonla ele alınabilir.
Kısmi korelasyonun SPSS uygulamasını SPSS ile kısmi korelasyon analizi yazımızda inceleyebilirsiniz.
Çok sayıda değişken arasında korelasyon yapılabilir mi?
Evet. Birden fazla değişkenin ikili korelasyonları aynı korelasyon matrisi içerisinde gösterilebilir.
Örneğin:
yaş,
stres,
uyku,
yaşam kalitesi,
depresyon puanı
arasındaki ilişkilerin tamamı bir korelasyon matrisiyle sunulabilir.
Ancak çok sayıda korelasyon testi yapılması, tesadüfen anlamlı sonuç elde etme olasılığını artırabilir.
Bu nedenle özellikle doğrulayıcı araştırmalarda çoklu karşılaştırma sorunu göz önünde bulundurulmalıdır.
SPSS'te birden fazla değişkenle korelasyon tablosunun hazırlanması için çoklu korelasyon analizi yazımızı inceleyebilirsiniz.
SPSS'te Pearson ve Spearman korelasyonu nasıl yapılır?
SPSS'te temel ikili korelasyon analizi için:
Analyze → Correlate → Bivariate
yolu izlenebilir.
İlişkisi incelenecek değişkenler Variables alanına aktarılır.
Ardından kullanılacak korelasyon katsayısı seçilir:
Pearson
veya
Spearman
SPSS sürümüne göre Kendall's tau-b seçeneği de aynı bölümde bulunabilir.
Çoğu araştırmada iki yönlü hipotez bulunduğundan Two-tailed seçeneği kullanılır.
Analiz çalıştırıldığında korelasyon katsayısı, p değeri ve gözlem sayısı tablo içerisinde gösterilir.
Sıfırdan SPSS serimizin korelasyon bölümünde de Pearson ve Spearman uygulamalarını adım adım görebilirsiniz.
SPSS korelasyon tablosu nasıl okunur?
SPSS korelasyon çıktısında temel olarak üç bilgi görülür:
Correlation coefficient: ilişkinin yönü ve derecesi
Sig. (2-tailed): iki yönlü p değeri
N: analize dahil edilen gözlem sayısı
Örneğin:
Pearson Correlation = 0,52
Sig. (2-tailed) = 0,001
N = 120
sonucu iki değişken arasında pozitif yönde ve istatistiksel olarak anlamlı bir doğrusal ilişki bulunduğunu gösterir.
Korelasyon sonucu tezde nasıl yazılır?
Örneğin Pearson korelasyonu için:
“Öğrencilerin çalışma süresi ile akademik başarı puanları arasında pozitif yönde istatistiksel olarak anlamlı bir ilişki belirlenmiştir (r = 0,48, p < 0,001).”
Spearman için:
“Algılanan stres düzeyi ile yaşam kalitesi puanları arasında negatif yönde istatistiksel olarak anlamlı bir ilişki bulunmuştur (rs = −0,41, p = 0,002).”
Sonucun yalnızca:
“p < 0,05 olduğundan anlamlı ilişki vardır.”
şeklinde verilmesi yetersizdir.
İlişkinin:
yönü,
katsayısı,
anlamlılığı
birlikte raporlanmalıdır.
Korelasyon tablosu nasıl hazırlanır?
Birden fazla değişkenin bulunduğu çalışmalarda korelasyon matrisi kullanılabilir.
Örneğin:
Değişken | 1 | 2 | 3 |
1. Stres | 1 | ||
2. Yaşam kalitesi | −0,46** | 1 | |
3. Uyku süresi | −0,31* | 0,38** | 1 |
Tablo altında kullanılan korelasyon türü ve anlamlılık seviyeleri belirtilmelidir.
Örneğin:
p < 0,05
** p < 0,01
Ancak tez veya derginin yazım kuralları farklıysa tablo buna göre biçimlendirilmelidir.
Korelasyon analizinde en sık yapılan hatalar
En sık karşılaşılan hatalardan biri Pearson–Spearman seçimini yalnızca normallik testine bağlamaktır.
Bir diğer hata korelasyon katsayısını nedensel ilişki olarak yorumlamaktır.
Ayrıca:
Saçılım grafiğini incelememek,
uç değerleri görmezden gelmek,
yalnızca p değerini raporlamak,
çok küçük ama anlamlı korelasyonu “güçlü ilişki” olarak yorumlamak,
iki ölçüm yöntemi arasındaki uyumu korelasyonla değerlendirmek
de sık rastlanan sorunlardır.
Özellikle son nokta önemlidir. İki ölçüm yönteminin yüksek korelasyon göstermesi bu yöntemlerin birbirleriyle uyumlu olduğunu kanıtlamaz. Yöntem karşılaştırmalarında Bland–Altman gibi farklı yaklaşımlar gerekebilir.
Korelasyon testi nasıl seçilir? Hızlı karar rehberi
Araştırma sorunuz iki değişken arasındaki ilişkiyi inceliyorsa şu sırayla düşünün:
1. Değişkenlerim hangi ölçme düzeyinde?
İki nicel değişken → Pearson veya sıra temelli alternatifler değerlendirilebilir.
Ordinal değişken → Spearman veya Kendall düşünülebilir.
İki nominal değişken → korelasyon yerine ki-kare gibi yöntemler gerekebilir.
2. İlişkinin biçimi nasıl?
Doğrusal → Pearson için uygun olabilir.
Monotonik ama doğrusal değil → Spearman veya Kendall değerlendirilebilir.
Belirgin eğrisel yapı → klasik korelasyon katsayıları tek başına yeterli olmayabilir.
3. Uç değer var mı?
Pearson korelasyonu uç değerlerden ciddi biçimde etkilenebilir.
4. Araştırma amacım yalnızca ilişkiyi göstermek mi?
Evet → korelasyon düşünülebilir.
Bir sonucu birden fazla değişkenle modellemek → regresyon gerekebilir.
Kategorik sonucu modellemek → lojistik regresyon gibi yöntemler gerekebilir.
Sık sorulan sorular
Pearson mı Spearman mı kullanmalıyım?
Yalnızca normal dağılıma bakarak karar vermeyin. Değişkenlerin ölçme düzeyini, ilişkinin doğrusal veya monotonik yapısını, uç değerleri ve araştırma amacını birlikte değerlendirin.
Normal dağılım yoksa Spearman zorunlu mu?
Hayır. Normal dağılımdan sapmanın niteliği ve büyüklüğü, örneklem büyüklüğü, doğrusal ilişki ve uç değerler birlikte değerlendirilmelidir.
Likert ölçeklerinde Pearson mı Spearman mı kullanılır?
Tek bir Likert maddesi ile çok maddeli bir ölçeğin toplam veya ortalama puanı aynı veri yapısına sahip değildir. Test seçimi yalnızca “Likert” kelimesine bakılarak yapılmamalıdır. Ölçümün yapısı ve araştırmanın özellikleri değerlendirilmelidir.
Korelasyon katsayısı kaç olursa güçlüdür?
Bütün araştırma alanları için geçerli tek bir sınır yoktur. Katsayının büyüklüğü çalışma alanı ve bağlam içerisinde yorumlanmalıdır.
Korelasyon 0 ise ilişki yok mudur?
Hayır. Özellikle doğrusal olmayan ilişkiler Pearson korelasyonunda sıfıra yakın değer verebilir.
p < 0,05 ise ilişki önemli midir?
İstatistiksel olarak anlamlı olabilir; ancak ilişkinin büyüklüğünün bilimsel veya klinik açıdan önemli olup olmadığı ayrıca değerlendirilmelidir.
Korelasyon nedensellik gösterir mi?
Hayır. Korelasyon yalnızca değişkenler arasındaki birlikteliği gösterir. Nedensel sonuç için araştırma tasarımı ve çok daha güçlü yöntemsel kanıt gerekir.
Pearson korelasyon SPSS'te nereden yapılır?
Analyze → Correlate → Bivariate → Pearson yolu izlenebilir.
Spearman korelasyon SPSS'te nereden yapılır?
Aynı menüde Pearson seçimi kaldırılıp Spearman seçilebilir.
Sonuç
Korelasyon testi nasıl seçilir? sorusuna yalnızca “normal dağılıyorsa Pearson, normal dağılmıyorsa Spearman” şeklinde cevap vermek yeterli değildir.
Pearson korelasyonu özellikle nicel değişkenler arasındaki doğrusal ilişkinin değerlendirilmesinde kullanılır. Spearman korelasyonu sıralara dayanır ve ordinal veya monotonik ilişkilerin bulunduğu veri yapılarında yararlı olabilir. Kendall Tau ise sıralı veriler için bir başka önemli korelasyon ölçüsüdür.
Doğru yöntemi seçerken:
ölçme düzeyi, ilişkinin biçimi, uç değerler, örneklem özellikleri ve araştırma amacı
birlikte değerlendirilmelidir.
Ayrıca istatistiksel olarak anlamlı korelasyonun nedensel ilişki anlamına gelmediği ve yalnızca p değerinin değil korelasyon katsayısının büyüklüğünün de yorumlanması gerektiği unutulmamalıdır.
Araştırmanızda hangi korelasyon yönteminin kullanılacağı, SPSS analizlerinin uygulanması veya sonuçların tez ve makale formatında raporlanması konusunda destek almak için istatistiksel analiz danışmanlığı sayfamızı inceleyebilirsiniz.
